想象一下，一条连续型软体机械臂轻柔地环绕着一串葡萄或一棵西兰花，在提起物体的同时实时调整抓握力度。与传统刚性机器人尽量避免与环境接触、出于安全考虑远离人类的方式不同，这条机械臂能感知细微的力，以类似人手柔顺性的方式伸展和弯曲。它的每一个动作都经过精确计算，在高效完成任务的同时避免施加过大的力。在麻省理工学院计算机科学与人工智能实验室（CSAIL）和信息与决策系统实验室（LIDS），这些看似简单的动作背后，是复杂的数学推导、精密的工程设计，以及让机器人能够安全与人类和精密物体交互的愿景。

软体机器人拥有可变形的身体，预示着一个机器与人类更自然共处的未来——它们可以协助护理工作，或在工业场景中处理易碎物品。然而，正是这种灵活性使其难以控制。细微的弯曲或扭转可能产生难以预测的力，增加损坏或伤害的风险。这正是软体机器人需要安全控制策略的原因。

"受刚性机器人安全控制与形式化方法研究进展的启发，我们致力于将这些思路迁移到软体机器人领域——对其复杂行为进行建模，并主动拥抱而非回避接触——从而在不牺牲安全性或具身智能的前提下，实现更高性能的设计（例如更大的负载能力和更高的精度）。"论文通讯作者、麻省理工学院助理教授Gioele Zardini表示。他同时担任LIDS和土木与环境工程系的首席研究员，以及数据、系统与社会研究所（IDSS）的附属教职。"这一愿景也得到了其他团队近期及同期工作的认同。"

安全优先

研究团队开发了一套新框架，将非线性控制理论（用于控制涉及高度复杂动力学的系统）与先进的物理建模技术及高效的实时优化相结合，提出了"接触感知安全"的概念。该方法的核心是高阶控制障碍函数（HOCBF）和高阶控制李雅普诺夫函数（HOCLF）。HOCBF用于定义安全操作边界，确保机器人不会施加不安全的力；HOCLF则引导机器人高效地朝任务目标前进，在安全性与性能之间取得平衡。

"本质上，我们是在教机器人了解自身在与环境交互时的极限，同时仍能完成目标任务。"论文第一作者、麻省理工学院机械工程系博士生Kiwan Wong说，"这一方法涉及软体机器人动力学、接触模型和控制约束的复杂推导，但对于实践者而言，控制目标和安全障碍的设定相当直观，效果也非常直观——你能看到机器人平滑运动、对接触做出反应，且始终不会造成不安全的情况。"

"与传统的运动学CBF相比——后者的前向不变安全集难以指定——HOCBF框架简化了障碍设计，其优化公式考虑了系统动力学（如惯性），确保软体机器人能够提前停止，避免产生不安全的接触力。"伍斯特理工学院助理教授、前CSAIL博士后Wei Xiao表示。

"自软体机器人出现以来，该领域一直强调其具身智能以及相对于刚性机器人更高的固有安全性——这得益于材料和结构的被动柔顺性。然而，其'认知'智能，尤其是安全系统，一直落后于刚性串联机械臂。"论文共同第一作者Maximilian Stolzle表示，他目前是迪士尼研究院的研究实习生，曾是代尔夫特理工大学的博士生，并在麻省理工学院LIDS和CSAIL担任访问研究员。"这项工作通过将成熟算法适配到软体机器人，并针对安全接触和软连续体动力学进行定制，有助于弥合这一差距。"

LIDS和CSAIL团队通过一系列实验对系统的安全性和适应性进行了测试。在一项测试中，机械臂轻柔地按压一个柔顺表面，精确保持力度而不超调；在另一项测试中，它沿曲面物体的轮廓运动，调整抓握以避免滑动；在另一项演示中，机器人在人类操作员旁边操作易碎物品，实时响应意外的推动或位移。"这些实验表明，我们的框架能够泛化到多样化的任务和目标，机器人可以在复杂场景中感知、适应和行动，同时始终遵守明确定义的安全限制。"Zardini说。

具备接触感知安全能力的软体机器人在高风险场景中具有重要价值。在医疗领域，它们可以辅助手术，提供精准操作的同时降低对患者的风险；在工业领域，它们可以在无需持续监督的情况下处理易碎货物；在家庭场景中，机器人可以协助家务或护理任务，与儿童或老人安全互动——这是使软体机器人成为现实世界可靠伙伴的关键一步。

"软体机器人拥有巨大的潜力，"论文共同通讯作者、CSAIL主任、电气工程与计算机科学系教授Daniela Rus表示，"但确保安全性，并通过相对简单的目标来编码运动任务，一直是核心挑战。我们希望构建一个系统，让机器人在保持灵活性和响应性的同时，从数学上保证不会超过安全力的限制。"

融合软体机器人模型、可微仿真与控制理论

控制策略的底层是分段Cosserat段（PCS）动力学模型的可微实现，该模型可预测软体机器人的变形方式及力的积累位置，使系统能够预判机器人身体对驱动和复杂环境交互的响应。"我最欣赏这项工作的一点，是它融合了来自不同领域的新旧工具——先进的软体机器人模型、可微仿真、李雅普诺夫理论、凸优化以及基于损伤严重程度的安全约束，所有这些都被巧妙地整合进一个完全基于第一性原理的实时控制器中。"论文合著者、代尔夫特理工大学副教授Cosimo Della Santina表示。

与之互补的是可微保守分离轴定理（DCSAT），它以可微方式估计软体机器人与环境中障碍物之间的距离，障碍物可用凸多边形链近似表示。"早期针对凸多边形的可微距离度量，要么无法计算穿透深度（这对于估计接触力至关重要），要么给出非保守估计，可能危及安全性。"Wong说，"而DCSAT度量在返回严格保守（因而安全）估计的同时，支持快速的可微计算。"PCS与DCSAT共同赋予机器人对环境的预测感知能力，从而实现更主动、更安全的交互。

展望未来，团队计划将方法扩展至三维软体机器人，并探索与基于学习的策略相结合。通过将接触感知安全与自适应学习相结合，软体机器人将能够应对更复杂、更不可预测的环境。

"这正是我们工作令人兴奋之处，"Rus说，"你能看到机器人以一种类人的、谨慎的方式行动，而这种优雅背后，是一套严格的控制框架，确保它永远不会越界。"

"软体机器人在设计上通常比刚性机器人更安全，这得益于其身体的柔顺性和能量吸收特性，"未参与本研究的密歇根大学助理教授Daniel Bruder表示，"然而，随着软体机器人变得更快、更强、能力更强，这可能不再足以保证安全。这项工作通过提供一种限制整个机身接触力的方法，朝着确保软体机器人安全运行迈出了关键一步。"

该团队的工作得到了香港赛马会奖学金、欧盟地平线欧洲计划、Cultuurfonds Wetenschapsbeurzen以及Rudge（1948）和Nancy Allen讲席基金的部分资助。相关成果本月早些时候发表于电气和电子工程师协会（IEEE）的《机器人与自动化快报》。

Q&A

Q1：这套软体机器人控制框架的核心原理是什么？

A：该框架结合了高阶控制障碍函数（HOCBF）和高阶控制李雅普诺夫函数（HOCLF）。HOCBF负责定义安全操作边界，防止机器人施加过大的力；HOCLF则引导机器人高效完成任务目标。两者共同实现了"接触感知安全"，让机器人在与环境或人类接触时，能在数学层面保证不超过安全力的限制。

Q2：软体机器人的安全控制为什么比刚性机器人更难？

A：软体机器人身体可变形，细微的弯曲或扭转就可能产生难以预测的力，传统为刚性机器人设计的控制方法难以直接套用。此外，软体机器人的动力学模型更复杂，需要专门的物理建模（如PCS模型）和距离估计方法（如DCSAT）来预测机器人的变形和与障碍物的交互，才能实现可靠的安全控制。

Q3：这项软体机器人安全控制技术有哪些实际应用场景？

A：该技术在多个高价值场景中具有应用潜力：医疗领域可辅助手术，提供精准操作并降低患者风险；工业领域可在无需持续监督的情况下处理易碎货物；家庭场景中可协助家务或护理任务，与儿童或老人安全互动。总体而言，凡是需要机器人与人类或精密物体近距离协作的场合，都是潜在的应用方向。